learning

aprendiendo

Un registro actualizado de las cosas que estoy aprendiendo para desarrollar sólidas habilidades básicas de ingeniería de software y al mismo tiempo ampliar un poco mi conocimiento de tecnologías adyacentes todos los días.

Actualizado : Una vez al mes | Enfoque actual : IA generativa

Habilidades básicas

Programación en Python

Recurso	Progreso
Datacamp: escritura de código Python eficiente	✅
Datacamp: escritura de funciones en Python	✅
Datacamp: programación orientada a objetos en Python	✅
Datacamp: programación intermedia orientada a objetos en Python	✅
Datacamp: Importación de datos en Python (Parte 1)	✅
Datacamp: Importación de datos en Python (Parte 2)	✅
Datacamp: Python intermedio para ciencia de datos	✅
Datacamp: Caja de herramientas de ciencia de datos de Python (Parte 1)	✅
Datacamp: Caja de herramientas de ciencia de datos de Python (Parte 2)	✅
Datacamp: desarrollo de paquetes Python	✅
Campamento de datos: conceptos básicos de Conda	✅
Youtube: Tutorial: Sebastian Witowski - Kit de herramientas para desarrolladores de Python moderno	✅
Datacamp: trabajar con fechas y horas en Python	✅
Datacamp: Automatización de línea de comandos en Python	⬜
Datacamp: pruebas unitarias para ciencia de datos en Python	✅
Libro: Python 201	⬜
Libro: Escritura idiomática de Python 3	⬜
Libro: Desarrollo basado en pruebas con Python	⬜
Artículo: Las numerosas utilidades de línea de comandos de Python	⬜
Artículo: Introducción de un programador a Unicode	⬜
Artículo: Introducción a la creación de perfiles de memoria en Python	✅
Artículo: Creación de perfiles de código Python con Memory_profiler	✅
Artículo: ¿Cómo utilizar "memory_profiler" para perfilar el uso de la memoria mediante código Python?	✅

Estructuras de datos y algoritmos

Recurso	Progreso
Libro: Algoritmos de Grokking	✅
Libro: El currículum tecnológico de adentro hacia afuera	✅
Neetcode: algoritmos y estructuras de datos para principiantes	✅
Udacity: Introducción a las estructuras de datos y algoritmos	✅

Linux y línea de comando

Recurso	Progreso
Datacamp: Introducción a Shell para la ciencia de datos	✅
Datacamp: Introducción a las secuencias de comandos Bash	✅
Datacamp: procesamiento de datos en Shell	✅
MIT: El semestre perdido	✅
Udacity: conceptos básicos de la línea de comandos de Linux	✅
Udacity: Taller de conchas	✅
Udacity: configuración de servidores web Linux	✅

Control de versiones

Recurso	Progreso
Udacity: Control de versiones con Git	✅
Datacamp: Introducción a Git para ciencia de datos	✅
Udacity: GitHub y colaboración	✅
Udacity: Cómo usar Git y GitHub	✅

Bases de datos

Recurso	Progreso
Udacity: Introducción a la base de datos relacional	✅
Udacity: conceptos y diseño de sistemas de bases de datos	⬜
Campamento de datos: diseño de bases de datos	⬜
Datacamp: Introducción a las bases de datos en Python	⬜
Datacamp: Introducción a SQL para ciencia de datos	✅
Campamento de datos: SQL intermedio	⬜
Datacamp: unir datos en PostgreSQL	⬜
Udacity: SQL para análisis de datos	⬜
Datacamp: análisis exploratorio de datos en SQL	⬜
Datacamp: aplicación de SQL a problemas del mundo real	⬜
Datacamp: análisis de datos comerciales en SQL	⬜
Campamento de datos: informes en SQL	⬜
Datacamp: toma de decisiones basada en datos en SQL	⬜
Campamento de datos: conceptos NoSQL	⬜
Datacamp: Introducción a MongoDB en Python	⬜

Ingeniería de back-end

Recurso	Progreso
Udacity: Autenticación y autorización: OAuth	⬜
Udacity: HTTP y servidores web	⬜
Udacity: comunicación cliente-servidor	⬜
Udacity: Diseño de API RESTful	⬜
Datacamp: Introducción a las API en Python	⬜
Udacity: networking para desarrolladores web	⬜

Diseño de sistemas de producción

Recurso	Progreso
Libro: Diseño de sistemas de aprendizaje automático	✅
Neetcode: diseño de sistemas para principiantes	✅
Neetcode: Entrevista sobre diseño de sistemas	✅
Datacamp: análisis de clientes y pruebas A/B en Python	✅
Campamento de datos: pruebas A/B en Python	⬜
Udacity: Pruebas A/B	⬜
Campamento de datos: conceptos de MLOps	✅
Datacamp: conceptos de monitoreo del aprendizaje automático	✅

Matemáticas

Recurso	Progreso
Datacamp: fundamentos de la probabilidad en Python	✅
Campamento de datos: Introducción a la estadística	✅
Datacamp: Introducción a la estadística en Python	✅
Datacamp: pruebas de hipótesis en Python	✅
Datacamp: Pensamiento estadístico en Python (Parte 1)	✅
Datacamp: pensamiento estadístico en Python (Parte 2)	✅
Datacamp: Diseño experimental en Python	✅
Datacamp: práctica de preguntas de entrevistas sobre estadística en Python	⬜
edX: Estadísticas esenciales para el análisis de datos usando Excel	✅
Udacity: Introducción a la estadística inferencial	✅
MIT 18.06 Álgebra lineal, primavera de 2005	✅
Udacity: vectores propios y valores propios	✅
Udacity: Actualización de álgebra lineal	⬜
Youtube: Esencia del álgebra lineal.	⬜

Conocimientos básicos de interfaz

---

HTML

Recurso	Progreso
Codecademia: aprende HTML	✅
Codecademy: hacer un sitio web	✅
Artículo: Texto alternativo	⬜

CSS

Recurso	Progreso
Vista plural: posicionamiento CSS	✅
Pluralsight: Introducción a CSS	✅
Pluralsight: CSS: especificidad, modelo de caja y mejores prácticas	✅
Pluralsight: CSS: uso de Flexbox para el diseño	✅
Escuela de código: despegue con Bootstrap	✅
Vista plural: fundamentos de UX	✅
Codecademy: aprende SASS	✅
CSS para desarrolladores de Javascript	✅
Artículo: Crea una ilustración en diseño Figma	✅
Libro: Refactorización de la interfaz de usuario	⬜
Youtube: Cómo hacer que su sitio web no sea feo: UX básico para programadores	⬜

javascript

Recurso	Progreso
Udacity: ES6 - JavaScript mejorado	✅
Udacity: Introducción a Javascript	✅
Udacity: JS 1 orientado a objetos	✅
Udacity: JS 2 orientado a objetos	✅
Udemy: comprensión del texto mecanografiado	✅
Codecademy: aprende JavaScript	✅
Codecademia: Pista Jquery	✅
Pluralsight: uso de las herramientas para desarrolladores de Chrome	✅

Temas especializados

---

Aprendizaje automático

Recurso	Progreso
Artículo: Una descripción general de los algoritmos de optimización del descenso de gradientes	✅
Libro: Aprendizaje automático práctico con Scikit-Learn, Keras y TensorFlow, segunda edición	⬜
Libro: Introducción al aprendizaje automático	✅
Libro: Crea tu propia red neuronal	✅
Libro: Aprendizaje automático de Grokking	✅
Libro: La guía ilustrada de StatQuest para el aprendizaje automático	✅
Fast.ai: Aprendizaje profundo práctico para codificadores (Parte 1)	✅
Fast.ai: Aprendizaje profundo práctico para codificadores (Parte 2)	⬜
Datacamp: métodos de conjunto en Python	✅
Datacamp: aumento de gradiente extremo con XGBoost	⬜
Datacamp: métodos de agrupación en clústeres con SciPy	✅
Datacamp: aprendizaje no supervisado en Python	✅
Udacity: segmentación y agrupación	✅
Datacamp: Introducción a Python para la ciencia de datos	✅
edX: Implementación de análisis predictivo con Spark en Azure HDInsight	✅
Datacamp: aprendizaje supervisado con scikit-learn	✅
Datacamp: aprendizaje automático con modelos basados ​​en árboles en Python	✅
Datacamp: clasificadores lineales en Python	✅
Datacamp: redes neuronales convolucionales para procesamiento de imágenes	✅
Datacamp: Validación de modelos en Python	✅
Datacamp: Ajuste de hiperparámetros en Python	✅
Datacamp: Análisis de recursos humanos en Python: predicción de la rotación de empleados	✅
Datacamp: predicción de la pérdida de clientes en Python	✅
Datacamp: Reducción de dimensionalidad en Python	✅
Datacamp: preprocesamiento para aprendizaje automático en Python	✅
Datacamp: tipos de datos para la ciencia de datos	✅
Datacamp: limpieza de datos en Python	✅
Datacamp: ingeniería de funciones para aprendizaje automático en Python	✅
Datacamp: predicción del CTR con aprendizaje automático en Python	✅
Datacamp: Introducción a conceptos financieros usando Python	✅
Datacamp: Detección de fraude en Python	✅
Karpathy: Redes neuronales: de cero a héroe	✅
Artículo: Inicialización de peso en redes neuronales: un viaje desde lo básico hasta Kaiming	⬜

Procesamiento del lenguaje natural

Recurso	Progreso
Libro: Procesamiento del lenguaje natural con transformadores	✅
Stanford CS224U: Comprensión del lenguaje natural | Primavera 2019	✅
Stanford CS224N: Stanford CS224N: PNL con aprendizaje profundo | Invierno 2019	✅
CMU: Bootcamp de PNL de bajos recursos 2020	✅
CMU PNL multilingüe 2020	✅
Datacamp: Ingeniería de funciones para PNL en Python	✅
Datacamp: Fundamentos del procesamiento del lenguaje natural en Python	✅
Campamento de datos: expresiones regulares en Python	✅
Datacamp: RNN para modelado de lenguajes	✅
Datacamp: Generación de lenguaje natural en Python	✅
Datacamp: creación de chatbots en Python	✅
Datacamp: análisis de sentimiento en Python	✅
Datacamp: traducción automática en Python	✅
Artículo: La eficacia irrazonable de las colocaciones	⬜
Artículo: FuzzyWuzzy: Coincidencia difusa de cadenas en Python	✅
Artículo: Mamba explicada	⬜
Artículo: Una guía visual de Mamba y los modelos de espacio de estados	⬜
Artículo: Fundamentos de cuantificación con cara abrazada	✅

IA generativa

---

Teoría del LLM

Recurso	Progreso
Artículo: SolidGoldMagikarp (más, generación rápida)	⬜
DeepLearning.AI: formación previa para LLM	✅
DeepLearning.AI: cómo funcionan los modelos de difusión	⬜
Karpathy: Introducción a los modelos de lenguaje grandes [ 1hr ]	✅
Karpathy: construyamos el tokenizador GPT [ 2hr13m ]	✅
Karpathy: Reproduzcamos GPT-2 (124M) [ 4hr1m ]	⬜
Youtube: una guía para hackers sobre modelos lingüísticos [ 1hr30m ]	✅
Youtube: 5 años de GPT con Finbarr Timbers	⬜
Artículo: Muestreo para generación de texto	⬜
DeepLearning.AI: aprendizaje reforzado a partir de la retroalimentación humana	✅
Youtube: LLaMA explicó: KV-Cache, incrustación posicional rotativa, norma RMS, atención de consultas agrupadas, SwiGLU [ 1h10m ]	⬜

Recuperación de información / RAG

Recurso	Progreso
Modelos de lenguaje Transformer previamente entrenados para búsqueda - parte 1	⬜
Modelos de lenguaje Transformer previamente entrenados para búsqueda - parte 2	⬜
Modelos de lenguaje Transformer previamente entrenados para búsqueda - parte 3	⬜
Modelos de lenguaje Transformer previamente entrenados para búsqueda - parte 4	⬜
Comprender el índice IVF-PQ de LanceDB	⬜
Un poco de agrupación es de gran ayuda para las representaciones multivectoriales.	✅
Curso de recuperación Fullstack
Artículo: Niveles de complejidad: aplicaciones RAG	✅
Artículo: Mejorar sistemáticamente su RAG	⬜
Artículo: Deja de usar LGTM@Few como métrica (Better RAG)	⬜
Artículo: Fruta madura para la búsqueda de RAG	⬜
Artículo: Lo que los ingenieros de IA deben saber sobre la búsqueda	✅
Artículo: Evaluación de estrategias de fragmentación para la recuperación	⬜
Artículo: Incrustaciones de oraciones. Introducción a las incrustaciones de oraciones	⬜
DeepLearning.AI: creación y evaluación de aplicaciones RAG avanzadas	✅
DeepLearning.AI: Bases de datos vectoriales: de incrustaciones a aplicaciones	✅
DeepLearning.AI: recuperación avanzada para IA con Chroma	✅
DeepLearning.AI: compresión rápida y optimización de consultas	✅
DeepLearning.AI: modelos de lenguaje grandes con búsqueda semántica [ 1hr ]	✅
DeepLearning.AI: creación de aplicaciones con bases de datos vectoriales	✅
DeepLearning.AI: creación de búsqueda multimodal y RAG	⬜
DeepLearning.AI: Gráficos de conocimiento para RAG	⬜
DeepLearning.AI: Funciones, Herramientas y Agentes con LangChain	⬜
DeepLearning.AI: Creación de RAG agente con LlamaIndex	⬜
DeepLearning.AI: Sistemas de múltiples agentes de IA con crewAI	⬜
DeepLearning.AI: Patrones de diseño agentes de IA con AutoGen	⬜
DeepLearning.AI: Agentes de IA en LangGraph	⬜
DeepLearning.AI: creación de su propio agente de base de datos	⬜
DeepLearning.AI: preprocesamiento de datos no estructurados para aplicaciones LLM	⬜
DeepLearning.AI: modelos integrados: de la arquitectura a la implementación	✅
Pinecone: bases de datos vectoriales en producción para ingenieros ocupados	⬜
Pinecone: generación aumentada de recuperación	⬜
Piña: Manual de IA de LangChain	⬜
Pinecone: métodos de incrustación para la búsqueda de imágenes	⬜
Piña: Faiss: El manual desaparecido	⬜
Piña: búsqueda de vectores en la naturaleza	⬜
Pinecone: procesamiento del lenguaje natural para búsqueda semántica	⬜
Youtube: mejora sistemática de las aplicaciones RAG	✅
Youtube: Regreso a lo básico para RAG con Jo Bergum	✅
Youtube: Más allá de los conceptos básicos de recuperación para la generación aumentada (con Ben Clavié)	✅
Youtube: RAG desde cero	0/14
Artículo: LambdaMART en profundidad	⬜
Artículo: Generación guiada con esquemas	✅

Ingeniería rápida

Recurso	Progreso
Artículo: Ingeniería de avisos de OpenAI	⬜
Artículo: Fundamentos de motivación y cómo aplicarlos eficazmente	✅
Cursos antrópicos	⬜
Artículo: Ingeniería rápida (Liliang Weng)	✅
Artículo: Prompt Engineering 201: métodos y conjuntos de herramientas avanzados	✅
Artículo: Optimización de los LLM para mayor precisión	✅
Artículo: Imprimaciones • Ingeniería Rápida	⬜
Artículo: Puntos finales de cualquier escala: modo JSON y características de llamada de funciones	⬜
Artículo: Generación de texto guiado con modelos de lenguaje grandes	⬜
Artículo: Alternativas de visión GPT-4	⬜
DeepLearning.AI: Ingeniería de mensajes ChatGPT para desarrolladores	⬜
DeepLearning.AI: ingeniería rápida para modelos de visión	⬜
DeepLearning.AI: ingeniería rápida con Llama 2 y 3	⬜
Wandb: Ingeniería LLM: resultados estructurados	⬜
DeepLearning.AI: llamada de funciones y extracción de datos con LLM	⬜
Serie: Inyección inmediata	⬜
Youtube: descripción general de la ingeniería rápida [ 1hr4m ]	✅
Youtube: Generación estructurada con LLM	⬜

LLMOps

Recurso	Progreso
Artículo: Patrones para crear sistemas y productos basados ​​en LLM	✅
Artículo: Arquitecturas emergentes para aplicaciones LLM	✅
Artículo: Cómo hacer que los LLM sean rápidos	⬜
Artículo: ¡En el carril rápido! Decodificación especulativa: modelo 10 veces más grande, sin costo adicional	⬜
Artículo: Armonización de múltiples GPU: escalamiento eficiente de la inferencia LLM	⬜
Artículo: Atención de consultas múltiples es todo lo que necesita	⬜
Artículo: Conjunto de herramientas de optimización de inferencia de Transformers	⬜
DeepLearning.AI: Sirviendo eficientemente a los LLM	✅
DeepLearning.AI: pruebas automatizadas para LLMOps	✅
DeepLearning.AI: Aplicaciones LLM de Red Teaming	✅
DeepLearning.AI: evaluación y depuración de modelos de IA generativa utilizando ponderaciones y sesgos	⬜
DeepLearning.AI: Calidad y seguridad para aplicaciones LLM	⬜
DeepLearning.AI: LLMOps	⬜
DeepLearning.AI: aplicaciones LLM sin servidor con Amazon Bedrock	⬜
DeepLearning.AI: Cuantización en profundidad	⬜
DeepLearning.AI: Introducción a la IA en el dispositivo	⬜
Artículo: Una guía visual para la cuantización	⬜
Artículo: QLoRA y cuantificación de 4 bits	⬜
Artículo: Comprender la cuantificación de IA/LLM a través de visualizaciones interactivas	⬜
Artículo: Serie de inferencias de LLM: 3. Explicación del almacenamiento en caché de KV	⬜
Artículo: Serie de inferencias de LLM: 4. Almacenamiento en caché de KV, una mirada más profunda	⬜
Artículo: Serie de inferencias de LLM: 5. Disección del rendimiento del modelo	⬜
Youtube: SBTB 2023: Charles Frye, Procesadores paralelos: conexiones pasadas y futuras entre LLM y kernels de sistema operativo	⬜
Artículo: Aritmética de inferencia de transformadores	⬜

Construcción de sistemas basados ​​en LLM

Recurso	Progreso
Artículo: Lo que hemos aprendido durante un año de construcción con LLM	⬜
Artículo: Cómo generar y utilizar datos sintéticos para realizar ajustes	✅
Artículo: Su producto de IA necesita evaluaciones	✅
Artículo: Evaluaciones de LLM para tareas específicas que funcionan y no funcionan	✅
Artículo: Volantes de datos para aplicaciones LLM	⬜
Artículo: LLM desde las trincheras: 10 lecciones aprendidas al poner en práctica modelos en GoDaddy	✅
Artículo: Evaluación y detección de alucinaciones para resúmenes abstractivos	✅
Artículo: Patrones de UX emergentes para copilotos y aplicaciones de IA generativa	✅
Artículo: Guía de formación de LLM para principiantes	⬜
Artículo: Llevando el soporte de datos estructurados de ChatGPT a sus límites	✅
Artículo: GPTed: uso de GPT-3 para la verificación semántica de prosa	✅
Artículo: No te preocupes por los LLM	⬜
DeepLearning.AI: ajuste de modelos de lenguaje grandes	✅
DeepLearning.AI: creación de sistemas con la API ChatGPT	⬜
DeepLearning.AI: LangChain para el desarrollo de aplicaciones LLM	⬜
DeepLearning.AI: LangChain: chatee con sus datos	⬜
DeepLearning.AI: creación de aplicaciones de IA generativa con Gradio	✅
DeepLearning.AI: modelos de código abierto con cara abrazada	⬜
DeepLearning.AI: Introducción a Mistral	⬜
Datacamp: desarrollo de aplicaciones LLM con LangChain	⬜
LLMOps: Construyendo con LLM	⬜
Bootcamp de LLM - Primavera de 2023	✅
Youtube: una encuesta de técnicas para maximizar el rendimiento del LLM	✅
Youtube: Componentes básicos para sistemas y productos LLM: Eugene Yan	✅
Youtube: Ajuste fino de modelos OpenAI: mejores prácticas	✅
Youtube: Curso: LLM Ajuste fino con Axolotl	0/4
Youtube: perfeccionamiento de los LLM	1/5
Youtube: Evaluaciones LLM	0/5
Youtube: creación de aplicaciones LLM	0/8

Habilidades técnicas (Bibliotecas/Marcos/Herramientas)

AWS

Recurso	Progreso
Udemy: Desarrollador certificado de AWS - Asociado 2018	✅

Django

Recurso	Progreso
Artículo: Django, HTMX y Alpine.js: sitios web modernos, JavaScript opcional	✅

Matplotlib

Recurso	Progreso
Campamento de datos: Introducción a Seaborn	✅
Campamento de datos: Introducción a Matplotlib	✅

Flujo mlf

Recurso	Progreso
Campamento de datos: Introducción a MLFlow	✅

Nexxt.JS

Recurso	Progreso
Documentos: Comience a construir con Next.js

pandas

Recurso	Progreso
Campamento de datos: Fundamentos de Pandas	✅
Datacamp: Pandas se une a usuarios de hojas de cálculo	✅
Datacamp: Manipulación de DataFrames con pandas	✅
Datacamp: fusionando DataFrames con pandas	✅
Datacamp: manipulación de datos con pandas	✅
Datacamp: optimización del código Python con pandas	✅
Datacamp: ingesta de datos optimizada con pandas	✅
Datacamp: análisis de campañas de marketing con pandas	✅
Datacamp: Análisis de la actividad policial con pandas	✅

PyTorch

Recurso	Progreso
Artículo: Partes internas de PyTorch	⬜
Artículo: Dar por sentado PyTorch	⬜
Datacamp: Introducción al aprendizaje profundo con PyTorch	✅
Datacamp: aprendizaje profundo intermedio con PyTorch	⬜
Datacamp: aprendizaje profundo para texto con PyTorch	⬜
Datacamp: aprendizaje profundo de imágenes con PyTorch	⬜
Deeplizard: Programación de redes neuronales - Aprendizaje profundo con PyTorch	✅

reaccionarjs

Recurso	Progreso
Codecademy: Aprenda ReactJS: Parte I	✅
Codecademy: Aprenda ReactJS: Parte II	✅
NexxtJS: Fundamentos de React	⬜

Espacioso

Recurso	Progreso
Datacamp: PNL avanzada con spaCy	✅

Tensorflow y Keras

Recurso	Progreso
Datacamp: Introducción a TensorFlow en Python	✅
Campamento de datos: aprendizaje profundo en Python	✅
Datacamp: Introducción al aprendizaje profundo con Keras	✅
Datacamp: Aprendizaje profundo avanzado con Keras	✅
Deeplizard: Keras - API de red neuronal de aprendizaje profundo de Python	✅
Udacity: Introducción a TensorFlow para aprendizaje profundo	✅